《深度学习：从入门到精通：基于Keras》

算法数学

课程简介

《《深度学习：从入门到精通：基于Keras》》《深度学习：从入门到精通：基于Keras》【技能收获】学完可掌握：Python 编程、Vue / 前端工程化。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大模型应用岗需求持续走高，具备「后端 + RAG 落地」复合能力的人才在招聘

已有 0 人浏览发布 2026-09-16 更新 2026-09-16

这套《深度学习：从入门到精通：基于Keras》放在算法数学分类下，名字起得挺大，但真正值得挖的不是"入门到精通"这种话术，而是它把 Keras 当作主线工具来串神经网络这件事本身。Keras 的特点是封装厚、代码短，好处是能让你把注意力放在"这一层为什么要这么搭"上，坏处是容易学成调包——所以这门课的含金量，取决于它有没有在封装底下把张量形状、损失函数、反向传播这些硬骨头讲透。下面按我的判断拆一下。

课纲里真正值钱的章节在哪

如果资料包里的章节笔记是按"基础概念—网络搭建—训练调参—项目落地"铺开的，那么前两三章的感知机、全连接、激活函数部分，对已经写过 Python 的人其实是复习，可以快进，只挑自己说不清楚的地方停下。真正该精看的是三类内容：一是卷积和循环结构那几章，因为 Keras 把 padding、stride、return_sequences 这些参数藏得很浅，课上如果不点破，你自己调模型时就是盲猜；二是涉及数据预处理和增强的段落，这部分决定了你以后能不能处理真实数据集，而不是永远跑 MNIST；三是最后综合实战里从数据到评估的完整链路，这里能看出作者是真正做过项目还是只拼了 demo。

资料包别一次性摊开

配套资料常见的坑是"笔记 + 代码 + 数据"混在一起，一打开就不知道从哪下手。我的拆法是：章节笔记当索引，用来定位自己哪块概念虚；代码文件单独跑一遍，把能改的参数都改一次，观察 loss 曲线怎么变，这比看十遍讲解有用；数据集和预训练权重这类大文件先不动，等你要复现完整 Demo 时再解压。如果笔记里已经带了公式推导，优先看推导而不是结论，Keras 会帮你算梯度，但面试和调参时，说不清梯度从哪来是要露馅的。

哪些人适合，哪些人该绕开

适合：有 Python 基础、想快速把神经网络跑通并理解每一层作用的人；做后端或数据方向、想往模型落地方向靠的人。
该绕开：完全没有编程经验、指望靠一门课直接转算法岗的人。Keras 屏蔽了太多细节，零基础学完容易误以为自己会了。
注意：摘要里提到的前端、Vue 那些内容跟这门课的主题关系不大，别被带偏，深度学习这条线就盯住网络结构、训练流程、评估指标三件事。

怎么用这份资料才不浪费

建议每学完一个网络结构，就用同一份数据自己搭一个简化版，哪怕只是改层数和学习率，也比照着敲一遍强。笔记的作用是复盘时快速定位，不是替代动手。等卷积、循环、正则化这几块都过了一遍，再回去看综合实战章节，你会发现之前看不懂的工程细节突然有了解释。到那时这套资料的"精通"部分才算真正被你挖出来，而不是停在标题上。

《深度学习：从入门到精通：基于Keras》

课程推荐

视频目录（176 节）

* 1-1.课程介绍.mp4

* 1-2.神经网络基础介绍.mp4

* 1-3.神经元结构讲解.mp4

* 1-4.用python实现神经元demo.mp4

* 1-5.激活函数概述.mp4

* 1-6.激活函数的Tensorflow实现1.mp4

* 1-7.激活函数的Tensorflow实现2.mp4

* 1-8.神经网络的拓扑架构.mp4

* 1-9.常用深度学习模型介绍.mp4

* 1-10.深度学习框架.mp4

* 1-11.Tensorflow GPU版本所需的硬件环境准备.mp4

* 1-12.Anaconda安装.mp4

* 1-13.conda常用命令操作的用法.mp4

* 1-14.Tensorflow的安装及查看（CPU、GPU版）.mp4

* 1-15.Tensor数据类型及创建函数介绍.mp4

* 1-16.Tensor数据类型及创建函数案例演示.mp4

* 1-17.Tensorlow其他常用函数及数学运算.mp4

* 1-18.tf.data.Dataset对象简介.mp4

* 1-19.tf.GradientTape讲解.mp4

* 1-20.tf.one_hot和tf.argmax函数讲解.mp4

* 1-21.MNIST数据集概述及加载.mp4

* 1-22.MNIST数据预处理.mp4

* 1-23.构建及编译模型.mp4

* 1-24.构建及编译模型代码实现.mp4

* 1-25.模型训练及代码实现.mp4

* 1-26.将数据转换为tf.data.Dataset再训练模型.mp4

* 1-27.另一种方式，使用 tf.GradientTape 来训练模型.mp4

* 1-28.课后习题讲解.mp4

* 2-1.课程内容介绍.mp4

* 2-2.数据预处理技术.mp4

* 2-3.读取、显示和保存图像1.mp4

* 2-4.读取、显示和保存图像2.mp4

* 2-5.图像像素的获取和编辑.mp4

* 2-6.图像几何变换之图像缩放.mp4

* 2-7.图像几何变换之平移变换.mp4

* 2-8.图像几何变换之旋转变换.mp4

* 2-9.图像几何变换之翻转变换.mp4

* 2-10.色彩通道分离和融合.mp4

* 2-11.颜色空间转换.mp4

* 2-12.利用Tensorflow2进行图像缩放.mp4

* 2-13.使用tf.image模块函数对图像进行裁剪.mp4

* 2-14.使用tf.image模块函数进行图像色彩调整.mp4

* 2-15.使用tf.image模块函数进行图像翻转.mp4

* 2-16.Jieba中文分词介绍.mp4

* 2-17.使用jieba.cut进行中文分词案例演示.mp4

* 2-18.jieba添加自定义词典.mp4

* 2-19.jieba添加自定义词典案例讲解.mp4

* 2-20.关键词提取.mp4

* 2-21.词性标注.mp4

* 2-22.分词器Tokenizer.mp4

* 2-23.Keras的one_hot转换.mp4

* 2-24.填充序列pad_sequences函数.mp4

* 2-25.案例分析：导入本地文本数据.mp4

* 2-26.案例分析：添加中文文本分词的停止词库和词典库.mp4

* 2-27.案例分析：中文文本分词及词云展示.mp4

* 2-28.案例分析：构建分词器及填充序列.mp4

* 2-29.课后习题讲解：判断题和选择题.mp4

* 2-30.课后习题讲解：实训题代码讲解.mp4

* 3-1.本章内容介绍.mp4

* 3-2.定义网络1.mp4

* 3-3.定义网络2.mp4

* 3-4.编译网络.mp4

* 3-5.训练网络.mp4

* 3-6.评估及预测网络.mp4

* 3-7.Keras模型类型.mp4

* 3-8.顺序型API模型.mp4

* 3-9.函数式API模型讲解.mp4

* 3-10.网络拓扑可视化.mp4

* 3-11.网络拓扑可视化-补充说明.mp4

* 3-12.TensorBoard可视化1.mp4

* 3-13.TensorBoard可视化2.mp4

* 3-14.TensorBoard可视化3.mp4

* 3-15.TensorBoard可视化4.mp4

* 3-16.回调函数介绍.mp4

* 3-17.使用回调函数寻找最优模型1.mp4

* 3-18.使用回调函数寻找最优模型2.mp4

* 3-19.模型的保存及加载.mp4

* 3-20.使用SaveModel格式保存模型.mp4

* 3-21.使用SaveModel格式保存模型2-案例演示.mp4

* 3-22.使用SaveModel格式保存模型3-保存模型加载及验证.mp4

* 3-23.使用SaveModel格式保存模型3-保存为H5文件.mp4

* 3-24.使用SaveModel格式保存模型4-保存及加载模型结构.mp4

* 3-25.使用SaveModel格式保存模型5-保存及加载模型权重.mp4

* 3-26.使用JSON格式保存及加载模型.mp4

* 3-27.案例分析：Titanic数据导入及删除多余变量.mp4

* 3-28.案例分析：缺失值的识别及插补.mp4

* 3-29.案例分析：one_hot编码、数据拆分、标准化处理.mp4

* 3-30.案例分析：定义和编译网络模型.mp4

* 3-31.案例分析：模型训练及训练周期结果可视化.mp4

* 3-32.课后习题：判断和选择题讲解.mp4

* 3-33.课后习题：实训题1.mp4

* 3-34.课后习题：实训题2和3.mp4

* 4-1.简述全连接神经网络在图像数据处理中的不足处.mp4

* 4-2.卷积网络基本原理.mp4

* 4-3.卷积层原理概述.mp4

* 4-4.卷积层原理-padding技巧.mp4

* 4-5.卷积层原理-padding示例讲解.mp4

* 4-6.卷积层原理-移动步长示例讲解.mp4

* 4-7.输出特征图的宽、高计算公式.mp4

* 4-8.卷积层Tensorflow实现函数讲解.mp4

* 4-9.tf.keras.layers.Conv2D方法1.mp4

* 4-10.f.keras.layers.Conv2D方法2.mp4

* 4-11.tf.keras.layers.Conv2D方式实现卷积运算.mp4

* 4-12.tf.keras.layers.Conv2D方式4.mp4

* 4-13.卷积层对图像进行卷积运算示例讲解.mp4

* 4-14.池化层原理及实现详解.mp4

* 4-15.池化层实现的demo演示.mp4

* 4-16.池化层的特点及demo演示.mp4

* 4-17.池化层TensorFlow实现及案例演示.mp4

* 4-18.卷积神经网络中的全连接层和展平层介绍.mp4

* 4-19.迁移学习概述.mp4

* 4-20.迁移学习进行微调的三种策略.mp4

* 4-21.使用Keras 实现迁移学习之VGG16网络架构介绍.mp4

* 4-22.使用Keras 实现迁移学习之VGG16函数介绍.mp4

* 4-23.使用Keras 实现迁移学习之VGG16示例.mp4

* 4-24.使用Keras实现迁移学习之演示VGG16()函数下载及实例.mp4

* 4-25.使用Keras实现迁移学习之利用VGG16对本地汽车图像进行.mp4

* 4-26.使用Keras实现迁移学习之利用VGG16对本地汽车图像进行.mp4

* 4-27.使用Keras实现迁移学习之利用VGG16对本地汽车图像进行.mp4

* 4-28.tensorflow-hub的介绍及安装.mp4

* 4-29.Tensorflow-hub预训练模型的下载.mp4

* 4-30.使用迁移学习实现花卉图像分类器-花卉图像介绍及导入、预处理1.mp4

* 4-31.使用迁移学习实现花卉图像分类器-花卉图像介绍及导入、预处理2.mp4

* 4-32.使用迁移学习实现花卉图像分类器-创建批次数据.mp4

* 4-33.Keras Applications 迁移学习实现花分类1.mp4

* 4-34.Keras Applications 迁移学习实现花分类2.mp4

* 4-35.使用TensorF Hub迁移学习实现花卉图像分类.mp4

* 4-36.强化学习的基本概念.mp4

* 4-37.深度强化学习思路.mp4

* 4-38.gym平台介绍及案例演示.mp4

* 4-39.使用Keras-RL2的DQN实现《CartPole》游戏.mp4

* 4-40.案例分析：CIFAR-10数据描述及下载.mp4

* 4-41.案例分析：CIFAR-10数据预处理.mp4

* 4-42.案例分析：构建卷积神经网络识别CIFAR-10图像.mp4

* 4-43.【课后习题】判断题和选择题讲解.mp4

* 4-44.【课后习题】实训题讲解.mp4

* 5-1.循环神经网络基本理解.mp4

* 5-2.词嵌入基础及学习词嵌入案例讲解.mp4

* 5-3.预训练词嵌入及案例演示.mp4

* 5-4.简单循环神经网络原理及Keras实现.mp4

* 5-5.长短期记忆网络-LSTM原理及Keras实现.mp4

* 5-6.门控循环单元-GRU原理及Keras实现.mp4

* 5-7.序列到序列Seq2Seq2基本原理概述.mp4

* 5-8.引入注意力机制的Seq2Seq框架.mp4

* 5-9.利用Keras实现序列到序列案例演示.mp4

* 5-10.利用TensorFlow Addons实现Seq2Seq2的.mp4

* 5-11.Transformer基本原理及KerasNLP介绍.mp4

* 5-12.案例实训：中文文本分类.mp4

* 5-13.课后习题讲解.mp4

* 6-1.自编码器概述.mp4

* 6-2.简单自编码器的Keras实现.mp4

* 6-3.简单自编码器对cifar-10图像进行重构案例讲解.mp4

* 6-4.稀疏自编码器.mp4

* 6-5.堆栈自编码器.mp4

* 6-6.卷积自编码器.mp4

* 6-7.降噪自编码器.mp4

* 6-8.案例实训：使用自编码器建立推荐系统.mp4

* 6-9.第6章【课后习题】讲解.mp4

* 7-1.生成式对抗网络概述.mp4

* 7-2.GAN模型的Keras实现.mp4

* 7-3.DCGAN模型的Keras实现.mp4

* 7-4.案例实训：使用GAN和DCGAN模型生成数字5图像.mp4

* 7-5.第7章【课后习题】讲解.mp4

* 8-1.模型评估技术.mp4

* 8-2.模型优化：基于梯度的优化和自适应学习率算法.mp4

* 8-3.模型优化：网格搜索、数据分区、交叉验证、正则化等.mp4

* 8-4.在tf.Keras中进行模型优化.mp4

* 8-5.案例分析1：使用Scikit-Learn优化CIFAR-10.mp4

* 8-6.案例分析2：使用KerasTuner优化CIFAR-10分类.mp4

* 8-7.第8章【课后习题】讲解.mp4

* 9-1.TensorFlow Datasets 实验.mp4

* 9-2.tf.data 定义高效的输入流水线.mp4

* 9-3.在 tf.Keras 中使用 Scikit-Learn 优化.mp4

* 9-4.ImageDataGenerator 类图像增强.mp4

* 9-5.CNN 模型对手写数字识别.mp4

* 9-6.CNN 模型驾驶员睡意检测.mp4

配套笔记（4 份 PDF）

* 第4章：卷积神经网络及图像分类-sub.pdf

* 第3章：使用Keras开发深度学习模型.pdf

* 第2章：深度学习的数据预处理技术.pdf

* 第1章：初识深度学习.pdf